文章目录
- @[toc]
- 一、合并VCF的常用命令
- 1.1 合并多个bgzip压缩的VCF文件
- 1.2 使用文件列表合并
- 二、合并前的准备与注意事项
- 2.1 文件格式要求
- 2.2 样本名唯一性
- 2.3 检查文件模式匹配
- 三、常见报错与解决方法
- 3.1 报错：`Error: Duplicate sample names (sample1), use --force-samples to proceed anyway.`
- 3.2 报错：`Could not retrieve index file for ...`
- 四、自动化脚本推荐
- 4.1 检查并转换VCF为bgzip格式
- 4.2 检查重复样本并生成唯一文件列表
- 4.3 合并并生成统计
- 五、合并后格式转换与统计
- 5.1 转换为TXT表格
- 5.2 统计每个样品的SNP数
- 六、总结
文章目录
- @[toc]
- 一、合并VCF的常用命令
- 1.1 合并多个bgzip压缩的VCF文件
- 1.2 使用文件列表合并
- 二、合并前的准备与注意事项
- 2.1 文件格式要求
- 2.2 样本名唯一性
- 2.3 检查文件模式匹配
- 三、常见报错与解决方法
- 3.1 报错：`Error: Duplicate sample names (sample1), use --force-samples to proceed anyway.`
- 3.2 报错：`Could not retrieve index file for ...`
- 四、自动化脚本推荐
- 4.1 检查并转换VCF为bgzip格式
- 4.2 检查重复样本并生成唯一文件列表
- 4.3 合并并生成统计
- 五、合并后格式转换与统计
- 5.1 转换为TXT表格
- 5.2 统计每个样品的SNP数
- 六、总结
在群体遗传学、RAD-seq等高通量测序分析中，常常需要将多个样品的VCF文件合并为一个群体VCF文件，便于后续的群体变异分析、PCA、GWAS等。本文以bcftools为例，详细介绍多样品VCF合并的标准流程、常见报错及解决方法，并附带自动化脚本工具。
一、合并VCF的常用命令
1.1 合并多个bgzip压缩的VCF文件
其实一般常见做法是使用gatk CombineGVCFs命令将g.vcf.gz格式的各个样品进行合并后再进行质控，过滤。但是实际情况是没有过滤的snp文件较大，再加上如果做群体遗传分析，样品较多，合并环节就相当耗费时间。因此，这里选择将过滤后的vcf.gz文件使用bcftools进行合并，可以大大缩短合并时间，提升分析效率。
bcftools merge -Oz -o merged_filtered_snps.vcf.gz sample1.vcf.gz sample2.vcf.gz sample3.vcf.gz
tabix -p vcf merged_filtered_snps.vcf.gz
1.2 使用文件列表合并
当样品较多时，推荐先生成一个文件列表：
ls aa*/aa*_filtered.vcf.gz > vcf_list.txt
bcftools merge -Oz -o merged_filtered_snps.vcf.gz -l vcf_list.txt
tabix -p vcf merged_filtered_snps.vcf.gz
二、合并前的准备与注意事项
2.1 文件格式要求
- 必须为bgzip压缩格式（
.vcf.gz），且有.tbi索引文件。 - 可用如下命令检查和转换：
bgzip sample.vcf tabix -p vcf sample.vcf.gz
2.2 样本名唯一性
- 每个VCF文件的样本名必须唯一，不能有重复。
- 可用如下命令检查样本名：
bcftools query -l sample1.vcf.gz
2.3 检查文件模式匹配
- 避免通配符匹配到同一样本的多个文件（如
sample1_filtered.vcf.gz和sample1_tmp_filtered.vcf.gz）。 - 推荐只保留每个样本的最终过滤文件。
三、常见报错与解决方法
3.1 报错：Error: Duplicate sample names (sample1), use --force-samples to proceed anyway.
原因：合并的VCF文件中有重复的样本名。
解决方法：
- 检查文件列表，确保每个样本只出现一次。
- 可用如下脚本自动检查并生成唯一文件列表：
# scripts/check_duplicate_samples.py
# 用法：python scripts/check_duplicate_samples.py 'aa*/aa*_filtered.vcf.gz' unique_vcf_list.txt
- 合并时用唯一文件列表：
bcftools merge -Oz -o merged_filtered_snps.vcf.gz -l unique_vcf_list.txt
3.2 报错：Could not retrieve index file for ...
原因：缺少.tbi索引文件。
解决方法：
tabix -p vcf sample.vcf.gz
四、自动化脚本推荐
4.1 检查并转换VCF为bgzip格式
# scripts/check_and_convert_vcf.py
# 用法：python scripts/check_and_convert_vcf.py 'aa*/aa*_filtered.vcf*'
4.2 检查重复样本并生成唯一文件列表
# scripts/check_duplicate_samples.py
# 用法：python scripts/check_duplicate_samples.py 'aa*/aa*_filtered.vcf.gz' unique_vcf_list.txt
4.3 合并并生成统计
bcftools merge -Oz -o merged_filtered_snps.vcf.gz -l unique_vcf_list.txt
tabix -p vcf merged_filtered_snps.vcf.gz
bcftools stats merged_filtered_snps.vcf.gz > merged_stats.txt
五、合并后格式转换与统计
5.1 转换为TXT表格
# scripts/vcf_to_txt.py
# 用法：python scripts/vcf_to_txt.py merged_filtered_snps.vcf.gz
5.2 统计每个样品的SNP数
# scripts/count_snp_per_sample.py
# 用法：python scripts/count_snp_per_sample.py merged_filtered_snps.vcf.gz
六、总结
- 合并VCF前请确保每个样品只保留一个最终VCF文件，且为bgzip格式并有索引。
- 合并时推荐用文件列表，避免通配符误操作。
- 遇到重复样本名、缺少索引等报错时，优先检查文件列表和文件格式。
- 可用Python脚本自动化检查、转换和统计，提升效率。
如需脚本源码或Snakemake自动化流程，可私信或评论获取！
🌟 非常感谢您抽出宝贵的时间阅读我的文章。如果您觉得这篇文章对您有所帮助，或者激发了您对生物信息学的兴趣，我诚挚地邀请您：
👍 点赞这篇文章，让更多人看到我们共同的热爱和追求。
🔔 关注我的账号，不错过每一次知识的分享和探索的旅程。
📢 您的每一个点赞和关注都是对我最大的支持和鼓励，也是推动我继续创作优质内容的动力。
📚 我承诺，将持续为您带来深度与广度兼具的生物信息学内容，让我们一起在知识的海洋中遨游，发现更多未知的奇迹。
💌 如果您有任何问题或想要进一步交流，欢迎在评论区留言，我会尽快回复您。
)
